SAS Regresi
SAS Regresi
LAPORAN BIOMETRI
“SAS Regresi”
Disusun oleh :
Nama :Kuswantoro
Nim : F1071131006
Kelompok : 1 (satu)
UNIVERSITAS TANJUNGPURA
2016
2
A. Pendahuluan
Analisis regresi merupakan salah satu bagian dari beberapa analisa statistika.
Analisis regresi bertujuan untuk mengetahui keeratan hubungan antara dua variable atau
lebih. Dalam analisis regresi membutuhkan dua kelompok data hasil observasi/pengukuran
yang diperoleh dari pelbagai bidang komoditas di lapangan, sehingga pasangan data hasil
observasi secara terurut (Xi, Yi) dimana i=1,2,3,4,….n.
Y= a + bX ;
Dimana :
3
Y = variable dependent
Keeratan hubungan dari sebaran sampel dengan kurva linear dapat digambarkan
sebagai berikut :
Y y = a+bX
0 X
Analisis korelasi merupakan suatu alat statistika yang digunakan untuk mengetahui
derajat hubungan linear antara satu variable dengan variable lainnya dan pada umumnya
dapat dihubungkan dengan analisa regresi guna mengukur kesimpulan garis regresi pada
variable independent yang juga dapat menentukan koefisien determinan (R2). Koefisien
determinan dapat digunakan untuk mengetahui persentase pengaruh variable independent
terhadap variable dependent, sedangkan akar dari koefisien determinan (r=√R2) adalah
koefisien korelasi yang dapat digunakan untuk :
Penganalisisan data dapat dilakukan dengan berbagai cara yaitu secara manual dan
komputasi. Secara manual mengacu pada rumus-rumus sesuai metoda statistika.
Penghitungan secara manual diperlukan kehati-hatian apabila jumlah variable dan
observasi cukup besar akan timbul kekeliruan, disamping inefficiency waktu. Untuk
menghindari kekeliruan, keakuratan dan kecepatan dalam penghitungan analisis data,
program statistik diantaranya Statistical Analysis System (SAS), dengan mempergunakan
‘Proc Reg’ pada SAS dapat dimanfaatkan untuk melakukan berbagai analisis yang
berkaitan dengan analisis regresi yaitu :
(c) nilai dugaan, sisaan, sisaan baku dan batas kepercayaan; dan
Untuk lebih jelasnya langkah-langkah penggunaan program SAS dapat dilihat pada
gambar
Tahapan
Dalam Proc Corr dan Proc Reg dengan diikuti pernyataan model dan beberapa
pilihan (option) yaitu : model variabel dependent = variabel-variabel independent/option.
Bentuk model secara umum pada Proc Corr dan Proc Reg (SAS) adalah :
PROC CORR;
PROC REG;
TEST X1+X2=1;
RUN;
l)
CLM - batas atas dan batas bawah dengan
selang
kepercayaan
95% dari nilai harapan variable dependen
untuk
setiap pengamatan
CLI - batas atas dan batas bawah dengan
selang
kepercayaan
95% dari nilai dugaan
individu/pengamatan.
DW - menghitung statistik Durbin Watson
BACKW - Metoda Stepwise dengan independen
ARD variable
secara berurutan berdasarkan nilai F
B. Hasil Pengamatan
1. Data Input
DATA WULAN;
INPUT X Y;
CARDS;
1.0 41.3
1.5 34.0
8
2.0 32.5
2.5 35.2
3.0 28.8
3.5 25.6
4.0 30.1
4.5 25.7
5.0 22.6
5.5 20.3
6.0 18.8
6.5 17.1
RUN;
PROC REG;
MODEL Y=X;
RUN;
2. Data Output
HASIL ANALISIS REGRESI 1
16:07 Tuesday, May 20, 1997
Model: MODEL1
Dependent Variable: Y
Analysis of Variance
Sum of Mean
Source DF Squares Square F Value
Prob>F
C.V. 8.14739
Parameter Estimates
INTERCEP 1 0.0001
X 1 0.0001
1. Data input
DATA WULAN;
INPUT X Y;
CARDS;
24 10
22 5
21 6
20 3
22 6
19 4
20 5
23 9
24 11
25 13
21 7
20 4
20 6
19 3
25 12
27 13
10
28 16
25 12
26 14
24 12
27 16
23 9
24 13
23 11
22 7
21 5
26 12
25 11
26 13
27 14
RUN;
PROC REG;
MODEL Y=X;
RUN;
2. Data Output
HASIL ANALISIS REGRESI 1
16:07 Tuesday, May 20, 1997
Model: MODEL1
Dependent Variable: Y
Analysis of Variance
Sum of Mean
Source DF Squares Square F Value
Prob>F
Parameter Estimates
INTERCEP 1 0.0001
X 1 0.0001
C. Pembahasan
Praktikum ini dilaksanakan pada hari Rabu 23 november 2016 pukul 15:30-
selesai di laboratorium pendidikan biologi. Adapun alat yang digunakan pada praktikum
ini yaitu berupa komputer dan in-focus sedangkan untuk bahannya berupa data mentah
dalam bentuk fotocopy-an. Praktikum ini bertujuaan untuk mempelajari cara mengolah
data regresi dengan menggunakan program SAS.
Regresi adalah salah satu metode untuk menentukan hubungan sebab-akibat antara
satu variabel dengan variabel-variabel yang lain. Analisis regresi adalah salah satu analisis
yang paling populer dan luas pemakaiannya. Analisis regresi dipakai secara luas untuk
melakukan prediksi dan ramalan. Analisis ini juga digunakan untuk memahami variabel
bebas mana saja yang berhubungan dengan variabel terikat, dan untuk mengetahui bentuk-
bentuk hubungan tersebut. Regeresi dikatakan layak jika angka signofikasi pada ANOVA
sebesar <0.05 Kelayakan ini diketahui jika angka Standart error of estimasi < Standart
Deviation.
Didalam praktikum yang pertama yaitu ini digunakan perintah yang dimasukkan
kedalam suatu program yang bernama SAS (Statistical Analysis System) “, dan diberi data
WULAN. Berikut hasil Outputnya yaitu :
Model: MODEL1
Dependent Variable: Y
12
Analysis of Variance
Sum of Mean
Source DF Squares Square F Value
Prob>F
Parameter Estimates
INTERCEP 1 0.0001
X 1 0.0001
berdasar kan hasil pengamatan didapatkan hasil bahwa F tab 0.05;1,10 = 4.96
Maka F Value = 106.442 > F tab = 4.96, kesimpulan bahwa ada perbedaan yang
signifikan.
R-square menunjukkan berapa banyak data yang masuk dalam model. Pada contoh diatas
didapat nilai 0.9141 atau 91.41% yang berarti bahwa model mendekati akurat untuk
menggambarkan data sebenarnya.
Nilai Pr > F menunjukkan tingkat signifikan. Dari hasil yang didapat yaitu 0.0001 berarti
bahwa tingkat signifikannya tinggi.
Adapun pada output menunjukkan bahwa hasil analisis signifikan. Hal ini
dikarenakan prob>|T| bernilai kurang dari 0.05 yaitu 0.0001 sehingga hipotesis nol ditolak.
Model: MODEL1
Dependent Variable: Y
Analysis of Variance
Sum of Mean
Source DF Squares Square F Value
Prob>F
Parameter Estimates
INTERCEP 1 0.0001
X 1 0.0001
Pada data kedua ini sebenarnya terdapat paramater estimasi sama pada data kesatu.
Dimana parameter standar T untuk hipotesis nol yang didapatkan adalah probabilitas> (T)
yang artinya Ho dari kedua data analisis menunjukkan variabel intercept=0,0001 dan
variabel X=0,0001), tersebut diterima atau ada cukup bukti untuk menerima H0 dan
menolak H1. Pernyataan tersebut sesuai dengan pernyataan yang dikemukakan oleh
pendapat Agustian, 2011. jika nilai T semakin besar atau menjauhi 0, maka akan menolak
14
H0, begitupun sebaliknya jika nilai T semakin kecil atau mendekati H0, maka H0 diterima.
Hal ini terjadi karena ada pengaruh X terhadap Y, karena data yang diperoleh signifikan
maka untuk melihat seberapa persen pengaruh X terhadap Y dengan melihat R-squre nya.
Akan tetapi jika data yang diperoleh tidak signifikan maka X tidak mempengaruhi Y. R-
square diketahui pada perhitungan sebesar 0,9141 artinya pengaruh X terhadap Y adalah
91% dan terdapat pengaruh nyata diantara variabel Y terhadap X.
D. Kesimpulan
Praktikum ini bertujuaan untuk mempelajari cara mengolah data regresi dengan
menggunakan program SAS. Berdasarkan hasil pengamatan dapat disimpulkan bahwa
regresi merupakan salah satu metode untuk menentukan hubungan sebab-akibat antara satu
variabel dengan variabel yang lain. Dalam Regresi Jika sig > 0.05; koefesien regresi tidak
signifikan. Hipotesis nol yang didapatkan adalah probabilitas> (T) yang artinya Ho dari
kedua data analisis menunjukkan variabel intercept=0,0001 dan variabel X=0,0001).
Menurut Agustian, 2011. jika nilai T semakin besar atau menjauhi 0, maka akan menolak
H0, begitupun sebaliknya jika nilai T semakin kecil atau mendekati H0, maka H0 diterima.
15
DAFTAR PUSTAKA
Algifari. 1997. Analisis Statistik untuk Bisnis dengan Regresi, Korelasi dan non
Parametrik. Yogyakarta: BPFE Yogyakarta.
Budi Susetyo dan Aunuddin. 1992. Petunjuk Praktikum Penggunaan Komputer Mikro
untuk Biologi Lingkungan. Pusat Antar Universitas Ilmu Hayat. Bandung: Institut
Pertanian Bogor.
Triyono, Djoko. 2000. Manajemen Database dan Aplikasi Program SAS untuk Analisa
Data. Prosiding Lokakarya Fungsional non Peneliti 5 September 2000. Pusat
Penelitian dan Pengembangan Peternakan.
Yusnandar,M.E. dan Siti Aminah. 1998. Penggunaan Perangkat Lunak SAS untuk
Mengolah dan Menganalisa Data. Prosiding Lokakarya Fungsional non Peneliti, 16
Desember 1998. Pusat Penelitian dan Pengembangan Peternakan.
1
Lampiran
DATA WULAN;
INPUT X Y;
CARDS;
2.0 41.3
1.5 34.0
2.0 32.5
2.5 35.2
3.0 28.8
3.5 25.6
4.0 30.1
4.5 25.7
5.0 22.6
5.5 20.3
6.0 18.8
6.5 17.1
RUN;
PROC REG;
MODEL Y=X;
RUN;
Model: MODEL1
Dependent Variable: Y
Analysis of Variance
Sum of Mean
2
Parameter Estimates
INTERCEP 1 0.0001
X 1 0.0001
DATA WULAN;
INPUT X Y;
CARDS;
24 10
22 5
21 6
20 3
22 6
19 4
20 5
23 9
24 11
25 13
21 7
20 4
3
20 6
19 3
25 12
27 13
28 16
25 12
26 14
24 12
27 16
23 9
24 13
23 11
22 7
21 5
26 12
25 11
26 13
27 14
RUN;
PROC REG;
MODEL Y=X;
RUN;
Model: MODEL1
Dependent Variable: Y
Analysis of Variance
Sum of Mean
4
Parameter Estimates
INTERCEP 1 0.0001
X 1 0.0001